本書是一本基於PaddlePaddle深度學習框架的實踐性計算機視覺教材，重點關注計算機視覺在實際中的應用，理論翔實，實用性極強。

本書是一本基於PaddlePaddle深度學習框架的實踐性計算機視覺教材，重點關注計算機視覺在實際中的應用。本書涵蓋計算機視覺領域的眾多方面，包含圖像分類、目標檢測、圖像分割、視頻分類以及圖像生成等領域，並通過大量的實踐案例向讀者演示如何編寫計算機視覺應用程序，從而幫助讀者深入理解計算機視覺的核心概念和技術。 本書可以作為一本實用的計算機視覺實踐指南，無論對於從事計算機視覺領域的專業人士，還是對計算機視覺感興趣的初學者，本書都值得閱讀和收藏。

第1章Python基礎

1.1實踐一：  九九乘法表

1.2實踐二：  隨機數生成與排序

1.3實踐三：  批量文件遍歷、復制、重命名

1.4實踐四：  圖像直方圖統計

1.5實踐五：  數據統計分析及可視化

1.6實踐六：  圖像預處理

第2章圖像分類

2.1實踐一：  基於深度神經網絡的寶石分類

2.2實踐二：  基於卷積神經網絡的美食識別

2.3實踐三：  基於VGG繫列網絡的場景圖像分類

2.4實踐四：  基於ResNet繫列模型的車輛圖像分類實踐

2.5實踐五：  基於Vision Transformer的CIFAR10分類

第3章目標檢測

3.1實踐一：  基於Faster RCNN模型的瓷磚瑕疵檢測(兩階段目標檢測)

3.2實踐二：  基於YOLOV3/PPYOLO模型的昆蟲檢測(一階段目標檢測)

3.3實踐三：  基於DETR模型的目標檢測

第4章圖像分割

4.1實踐一：  基於UNet/DeepLabV3 Plus模型的寵物圖像分割

4.2實踐二：  基於PaddleSeg的人像視頻分割

4.3實踐三：  基於PSPNet模型的人體圖像分割

4.4實踐四：  基於SwinUNet模型的醫學圖像分割

第5章視頻分類

5.1實踐一：  基於TSN模型的視頻分類

5.2實踐二：  基於ECO模型的視頻分類

5.3實踐三：  基於TimeSformer模型的視頻分類

第6章圖像生成

6.1實踐一：  基於GAN模型的時尚衣服生成

6.2實踐二：  基於PaddleGAN的圖像超分辨率

6.3實踐三：  基於DCGAN模型的人臉圖像生成

6.4實踐四：  基於Pix2Pix模型的圖像翻譯

6.5實踐五：  基於CycleGAN模型的圖像風格遷移

參考文獻

計算機視覺是人工智能的重要分支領域，隨著人工智能的飛速發展，計算機視覺在人們生活中的應用也越來越廣泛，從教育、安防、交通到智能家居等方方面面都有應用。然而，在實際應用中，我們需要了解如何將計算機視覺技術應用到具體場景中，這也是本書的重點所在。

本書不僅涵蓋了計算機視覺領域的核心技術，而且著重介紹了計算機視覺在實際應用中的具體實現。在深度學習框架的選擇上，本書采用百度開源的PaddlePaddle深度學習框架(飛槳)，其作為一個易用、高效、靈活、可擴展的深度學習框架，能夠幫助讀者更好地理解計算機視覺技術的應用和實現。

本書共6章。第1章介紹Python基礎。通過九九乘法表、隨機數生成與排序等6個Python實踐，幫助初學者快速掌握Python的相關語法，為後續章節的學習做鋪墊。

第2章介紹圖像分類。圖像分類是計算機視覺領域的經典任務，是指給定輸入圖像，需要輸出預測的圖像所屬類別。本章主要基於不同的分類模型，如VGG、ResNet，並在不同的數據集上完成分類任務。

第3章介紹目標檢測。目標檢測指需要找到圖像中所有感興趣的目標，並輸出它們的類別和位置，這也是計算機視覺領域的核心任務。本章需要基於不同的檢測模型，例如Faster RCNN以及YOLOV3，完成瓷磚瑕疵和昆蟲等檢測。

第4章介紹圖像分割。圖像分割是圖像理解的重要組成部分，需要在像素級上完成圖像分類的任務。通過學習本章，讀者將了解典型的分割模型在不同分割任務上的效果。

第5章介紹視頻分類。視頻分類相比於圖像分類更為復雜，是指給定一個視頻片段，根據其中包含的內容進行分類。本章將了解3個不同的視頻分類模型。

第6章介紹圖像生成。圖像生成指從現有的數據集中生成新圖像的任務。本章主要介紹通過不同的生成對抗模型來完成衣服生成、人臉圖像生成以及圖像風格遷移等任務。

本書從實踐出發，提供了大量的代碼示例和案例研究，能夠幫助讀者深入理解計算機視覺的核心概念和技術，並快速上手實際應用。希望通過閱讀本書，讀者能夠了解並掌握計算機視覺的基本技能並提高在實踐中的能力。在編寫本書的過程中，感謝PaddlePaddle社區，免費的GPU算力、完善的API文檔以及豐富的產研實踐為廣大讀者提供了極其便利的開發實踐環境。還要感謝讀者的支持和反饋，期待您在學習本書的過程中有所收獲。

掃碼即可下載本書的源代碼及數據：

編者
2023年8月